Fugu-MT 論文翻訳(概要): Harnessing LLMs for Cross-City OD Flow Prediction

論文の概要: Harnessing LLMs for Cross-City OD Flow Prediction

arxiv url: http://arxiv.org/abs/2409.03937v1
Date: Thu, 5 Sep 2024 23:04:28 GMT
ステータス: 処理完了
システム内更新日: 2024-09-09 17:10:40.011735
Title: Harnessing LLMs for Cross-City OD Flow Prediction
Title（参考訳）: 都市間OD流予測のための高調波LEM
Authors: Chenyang Yu, Xinpeng Xie, Yan Huang, Chenxi Qiu,
Abstract要約: 大規模言語モデル(LLM)を用いた都市間原位置推定(OD)フロー予測の新しい手法を提案する。我々のアプローチは,LLMの高度な意味理解と文脈学習能力を利用して,異なる特徴を持つ都市間のギャップを埋める。我々の新しいフレームワークは、ソース都市からODトレーニングデータセットを収集し、LSMを指導し、ターゲット都市における宛先POIを予測し、予測された宛先POIに最も合う場所を特定する4つの主要なコンポーネントから構成される。
参考スコア（独自算出の注目度）: 5.6685153523382015
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Understanding and predicting Origin-Destination (OD) flows is crucial for urban planning and transportation management. Traditional OD prediction models, while effective within single cities, often face limitations when applied across different cities due to varied traffic conditions, urban layouts, and socio-economic factors. In this paper, by employing Large Language Models (LLMs), we introduce a new method for cross-city OD flow prediction. Our approach leverages the advanced semantic understanding and contextual learning capabilities of LLMs to bridge the gap between cities with different characteristics, providing a robust and adaptable solution for accurate OD flow prediction that can be transferred from one city to another. Our novel framework involves four major components: collecting OD training datasets from a source city, instruction-tuning the LLMs, predicting destination POIs in a target city, and identifying the locations that best match the predicted destination POIs. We introduce a new loss function that integrates POI semantics and trip distance during training. By extracting high-quality semantic features from human mobility and POI data, the model understands spatial and functional relationships within urban spaces and captures interactions between individuals and various POIs. Extensive experimental results demonstrate the superiority of our approach over the state-of-the-art learning-based methods in cross-city OD flow prediction.
Abstract（参考訳）: 都市計画や交通管理において,Origin-Destination(OD)フローの理解と予測が重要である。従来のOD予測モデルは、1つの都市で有効であるが、交通状況、都市配置、社会経済的要因によって異なる都市で適用される場合、しばしば制限に直面している。本稿では,Large Language Models (LLMs) を用いて,都市間ODフロー予測の新しい手法を提案する。提案手法は,LLMの高度な意味理解と文脈学習機能を活用して,異なる特徴を持つ都市間ギャップをブリッジし,ある都市から別の都市へ移動可能な,正確なODフロー予測のための堅牢で適応可能なソリューションを提供する。我々の新しいフレームワークは、ソース都市からODトレーニングデータセットを収集し、LSMを指導し、ターゲット都市における宛先POIを予測し、予測された宛先POIに最も合う場所を特定する4つの主要なコンポーネントから構成される。トレーニング中にPOIのセマンティクスと旅行距離を統合する新たなロス関数を導入する。人間のモビリティとPOIデータから高品質な意味的特徴を抽出することにより、都市空間内の空間的・機能的関係を理解し、個人と様々なPOI間の相互作用を捉える。大規模実験により,都市間ODフロー予測における最先端の学習手法に対するアプローチの優位性を示した。

関連論文リスト

Multimodal Contrastive Learning of Urban Space Representations from POI Data [2.695321027513952]
CaLLiPer (Contrastive Language-Location Pre-training) は連続的な都市空間をベクトル表現に埋め込む表現学習モデルである。ロンドンにおける都市空間表現の学習に適用し,CaLLiPerの有効性を検証する。
論文参考訳（メタデータ） (2024-11-09T16:24:07Z)
Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文参考訳（メタデータ） (2024-10-28T09:19:29Z)
UMOD: A Novel and Effective Urban Metro Origin-Destination Flow Prediction Method [18.026364560086954]
3つのコアモジュールからなる有効都市流予測法(UMOD)を提案する。データ埋め込みモジュールは、生のODペアの入力を隠れた空間表現に投影する。時間的および空間的関係モジュールは、時間的および空間的関係モジュールによって処理され、ペア内およびペア内OD-時間的依存関係の両方をキャプチャする。
論文参考訳（メタデータ） (2024-09-08T01:44:46Z)
Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction [1.5156879440024378]
通勤フロー予測は、現実の自治体の業務に欠かせない課題である。我々は,異なるタイプのODフローを予測するために,意味のある領域埋め込みを生成するヘテロジニアスグラフベースモデルを開発した。提案モデルでは,一様都市構造の観点から既存モデルよりも優れた性能を示す。
論文参考訳（メタデータ） (2024-08-27T03:30:01Z)
Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
論文参考訳（メタデータ） (2023-08-11T13:35:52Z)
Origin-Destination Network Generation via Gravity-Guided GAN [9.03056486066899]
オリジン・デスティネーション(OD)の流れは、方向や体積を含む貴重な人口移動情報を含んでいる。そこで本研究では,人口移動モデルを改善するために,Origin-Destination Generation Networks (ODGN) というモデルを構築することを提案する。具体的には、まず、各地域の都市の特徴を捉えるための多視点グラフ注意ネットワーク(MGAT)を構築し、次に重力誘導予測器を用いて、2つの地域間のODフローを得る。
論文参考訳（メタデータ） (2023-06-06T04:07:21Z)
Urban Regional Function Guided Traffic Flow Prediction [117.75679676806296]
メタデータとして各領域の機能を利用するPOI-MetaBlockという新しいモジュールを提案する。我々のモジュールはトラフィックフロー予測の性能を大幅に改善し、メタデータを使用する最先端の手法より優れています。
論文参考訳（メタデータ） (2023-03-17T06:03:49Z)
Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文参考訳（メタデータ） (2022-05-27T12:46:52Z)
Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文参考訳（メタデータ） (2021-07-02T10:11:51Z)
Modeling Heterogeneous Relations across Multiple Modes for Potential Crowd Flow Prediction [26.92887395256311]
そこで我々は,新しい計画サイトにおいて,あるモードで群集の流れを予測するためのデータ駆動手法moherを提案する。具体的には,まず地理的近接性を調べることにより,対象部位の近傍領域を同定する。そして、これらの不均一な関係を集約するために、相互関係GCNを考案し、相関だけでなく、異なる移動モードの違いも学習する。
論文参考訳（メタデータ） (2021-01-18T09:31:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。